CN112383721B - 用于生成视频的方法、装置、设备和介质 - Google Patents

Abstract

本公开的实施例公开了用于生成视频的方法和装置。该方法的一具体实施方式包括：获取从音频提取的声学特征；根据声学特征，确定目标人的特征，其中，目标人的特征包括目标人针对音频的声学特征和人脸关键点；根据人脸关键点，生成目标人的视频。该实施方式实现了从给定音频到目标人的视频和音频之间的便捷转换。

Description

用于生成视频的方法、装置、设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成视频的方法和装置。

背景技术

移动网络技术的快速发展带来了更加丰富的网络环境，越来越多的联网设备每天都会产生海量的数据，而这些数据中音视频数据的占比越来越大。音视频已经成为目前用户浏览最多的信息类型。

许多视频平台都在开发和使用各种人工智能技术以提升用户的观看体验，让视频服务和功能可以更贴近用户的真实需求。例如，一些视频网站和教学类客户端应用开始使用虚拟人技术来合成视频供用户观看。当前，许多的研究人员也提出了各种不同的想法以提供更多的视频服务和功能，但是让这些想法实现真正的应用落地还需要继续不断的研究和探索。

发明内容

本公开的实施例提出了用于生成视频的方法和装置。

第一方面，本公开的实施例提供了一种用于生成视频的方法，该方法包括：获取从音频提取的声学特征；根据声学特征，确定目标人的特征，其中，目标人的特征包括目标人针对音频的声学特征和人脸关键点；根据人脸关键点，生成目标人的视频。

第二方面，本公开的实施例提供了一种用于生成视频的装置，该装置包括：获取单元，被配置成获取从音频提取的声学特征；确定单元，被配置成根据声学特征，确定目标人的特征，其中，目标人的特征包括目标人针对音频的声学特征和人脸关键点；生成单元，被配置成根据人脸关键点，生成目标人的视频。

第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的用于生成视频的方法和装置，根据任意给定的音频的声学特征，生成目标人针对该音频的声学特征和人脸关键点，然后利用目标人针对该音频的人脸关键点生成目标人的视频，从而实现从给定音频到目标人的视频之间的便捷转换，并且这种视频生成方法可以应用于许多指定音频生成视频的场景中。另外，由于在生成目标人针对给定音频的人脸关键点的同时，联合生成了目标人针对给定音频的声学特征，所以可以尽量保证生成的目标人的视频中的脸部与目标人针对给定音频的音频之间的一致性，从而提升生成的目标人的视频的自然度和流畅度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成视频的方法的一个实施例的流程图；

图3是根据本公开的实施例的用于生成视频的方法的一个应用场景的示意图；

图4是根据本公开的用于生成视频的方法的又一个实施例的流程图；

图5是根据本公开的用于生成视频的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于生成视频的方法或用于生成视频的装置的实施例的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如，浏览器类应用、搜索类应用、社交平台软件、即时通信工具、教育类应用、直播类应用、信息流类应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上安装的客户端应用提供后端支持的服务器。服务器105可以对从终端设备101、102、103获取音频并提取声学特征，然后根据声学特征生成目标人针对该音频的声学特征和人脸关键点，然后利用得到的目标人的人脸关键点生成目标人的视频。进一步地，服务器105还可以将生成的目标人的视频反馈至终端设备101、102、103进行展示。

需要说明的是，上述音频也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的音频并提取声学特征进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，本公开的实施例所提供的用于生成视频的方法一般由服务器105执行，相应地，用于生成视频的装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103也可以根据声学特征生成目标人针对该音频的声学特征和人脸关键点，然后利用得到的目标人的人脸关键点生成目标人的视频。此时，用于生成视频的方法也可以由终端设备101、102、103执行，相应地，用于生成视频的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的用于生成视频的方法的一个实施例的流程200。该用于生成视频的方法包括以下步骤：

步骤201，获取从音频提取的声学特征。

在本实施例中，音频可以是任意内容的音频。音频可以由技术人员根据实际的应用需求预先设置，也可以根据实际的应用场景设定。例如，音频可以为终端设备(如图1所示的终端设备101、102、103等)的用户在终端设备输入的音频。

音频的声学特征可以指音频所包含的声学信息。声学特征所指示的声学信息可以由技术人员根据实际的应用需求预先设定。例如，声学特征可以包括基频特征、共振峰特征等等。

对于任一音频，可以利用现有的各种提取声学特征的方法(如信号处理方法、基于深度学习的声学特征提取方法等等)提取音频的声学特征。

在本实施例中，用于生成视频的方法的执行主体(如图1所示的服务器105)可以本地或其它存储设备获取从音频提取的声学特征。

需要说明的是，从音频提取声学特征的处理过程可以由上述执行主体执行并将声学特征存储于本地。此时，上述执行主体可以直接从本地获取声学特征。从音频提取声学特征的处理过程也可以由其它电子设备(如图1所示的终端设备101、102、103或其它服务器等)执行并存储，此时，上述执行主体可以从其它电子设备获取声学特征。

步骤202，根据声学特征，确定目标人的特征，目标人的特征包括目标人针对音频的声学特征和人脸关键点。

在本实施例中，目标人可以是由技术人员或用户根据实际的应用需求预先指定的人。目标人针对音频的声学特征可以指示目标人在读该音频的内容时所产生的音频的声学特征。目标人针对音频的人脸关键点可以指示目标人在读该音频的内容时的脸部的关键点。

由于目标人在读不同的音频内容时的脸部和所产生的音频通常会有不同的变化，因此，针对不同的音频，目标人针对该音频的声学特征可以不同，目标人针对该音频的人脸关键点也可以不同。其中，人脸关键点可以使用关键点在脸部上的位置坐标进行表示。

在得到从音频提取的声学特征之后，可以采用各种方法根据提取的声学特征确定目标人的特征。例如，可以先利用现有的一些如基于深度学习的语音转换模型，并使用预先录制的目标人的大量的音频作为训练数据对语音转换模型进行训练以生成可以将任意人的声学特征转换成目标人的声学特征的语音转换模型。

同时，可以预先录制目标人发声时(如说话或唱歌等)的大量的视频和对应的音频，然后利用现有的各种关键点提取方法从录制的视频中提取呈现的目标人的脸部的关键点，同时提取目标人的说话或唱歌数据的声学特征，然后，可以基于曲线拟合等方法统计目标人的声学特征与目标人的脸部的关键点之间的映射关系。

之后，可以先利用训练好的语音转换模型将从音频提取的声学特征转换为目标人针对该音频的声学特征，然后利用得到的映射关系确定目标人针对该音频的声学特征所对应的关键点。

步骤203，根据人脸关键点，生成目标人的视频。

在本实施例中，目标人的视频可以指呈现有目标人的脸部的视频。在得到目标人针对音频的人脸关键点之后，可以结合实际的应用需求，利用现有的各种图像处理方法和视频处理方法生成目标人的视频。

例如，可以从本地或连接的其它设备获取目标人的图像，然后确定该图像中显示的目标人的脸部的关键点，然后将其中的关键点调整为确定的人脸关键点，从而得到调整后的目标人的图像。接着，就可以利用调整后的目标人的图像制作目标人的视频。

由于目标人的脸部会随着目标人的发声而变化，因此，目标人的声学特征与目标人的脸部的关键点之间具有一定的关联关系。因此，参考目标人的声学特征生成目标人的人脸关键点可以保证生成的人脸关键点所构成的人脸的嘴型与目标人的声学特征所对应的音频之间的一致性，从而有助于提升制作出的视频的自然度。

在本实施例的一些可选的实现方式中，在得到目标人针对音频的声学特征之后，可以利用现有的各种语音合成方法(如利用预先训练的声码器等)根据目标人的声学特征合成目标人的音频。

之后，可以为生成的目标人的视频添加合成的目标人的音频，以得到具有音频的视频。具体地，可以利用现有的各种用于合并音频和视频的方法为生成的目标人的视频添加音频。

需要指出的是，获取到的从音频提取的声学特征对应的音频可以是目标人的音频，也可以不是目标人的音频。目标人的声学特征可以包含有目标人的声学信息，因此利用目标人的声学特征合成的目标人的音频是具有目标人的发声特征的(如具有目标人的音色、口音等等)。

通过为生成的目标人的视频添加具有目标人的音频不仅可以向用户提供更丰富的信息类型，而且实现了从给定音频到目标人针对该音频的音视频之间便捷地多模态转换。

可选地，生成的目标人的音频可以包括以下至少一项：目标人的说话数据、目标人的歌唱数据。其中，歌唱数据可以指给各种形式的歌唱所产生的数据。

由此在生成目标人的视频的同时，还可以生成目标人针对给定音频的内容的说话数据所构成的音频和/或目标人针对给定音频的内容的歌唱数据所构成的音频，从而可以进一步丰富生成的信息的类型。

在本实施例的一些可选的实现方式中，在获取到从音频提取的声学特征之后，可以利用预先训练的、目标人对应的特征确定模型根据获取到的声学特征，确定目标人的特征。

其中，目标人对应的特征确定模型可以表征任意人的音频的声学特征与目标人针对该音频的声学特征和目标人针对该音频的人脸关键点之间的对应关系。目标人对应的特征确定模型可以利用预先采集的目标人的数据训练得到。

作为示例，可以预先录制目标人说话或唱歌的大量的音视频(即包括音频和视频)，然后从录制的视频中提取呈现的目标人的脸部的关键点，并从录制的音频中提取目标人的声学特征，并将提取的关键点和对应的声学特征作为训练数据。

然后，可以获取各种类型的未经训练或训练完成的人工神经网络作为初始特征确定模型，将训练数据中的声学特征作为初始特征确定模型的输入，并将与输入的声学特征对应的关键点和输入的声学特征本身作为初始特征确定模型的期望输出，利用如梯度下降和反向传播等算法根据损失函数的值不断调整初始特征确定模型的参数，直至达到预设的训练停止条件(如损失函数的值满足一定条件等)，此时可以将训练得到的初始特征确定模型作为上述目标人对应的特征确定模型。

利用特征确定模型可以实现任意音频的声学特征到目标人的声学特征和人脸关键点之间的端到端的转换，从而可以降低这种多模态转换过程的复杂度和速度，进而提升制作目标人的视频的效率。

在本实施例的一些可选的实现方式中，利用目标人对应的特征确定模型确定的目标人的人脸关键点具体可以包括至少一组人脸关键点，且每组人脸关键点都可以表征一帧人脸图像，即每组人脸关键点都可以用于生成一帧目标人的人脸图像。

其中，每组人脸关键点中可以包括目标数目个关键点以分别表征不同的人脸部位。具体地，可以由技术人员根据实际的应用需求设置目标数目。

此时，在得到至少一组目标人的人脸关键点之后，可以生成各组人脸关键点分别对应的人脸图像，得到人脸图像集，然后利用人脸图像集生成目标人的视频。

例如，预先获取目标人的图像，然后对于每组人脸关键点，通过调整目标人的图像中显示的脸部的关键点为该组人脸关键点，以得到该组人脸关键点对应的人脸图像。然后利用得到的多个人脸图像制作目标人的视频。

以帧为单位生成目标人的多帧人脸图像，然后利用多帧人脸图像制作目标人的视频，可以进一步提升视频制作的灵活性和自然性，也有助于保证视频的流畅性。

可选地，对于至少一组人脸关键点中的每组人脸关键点，可以利用预先训练的、目标人对应的图像生成模型根据该组人脸关键点，生成该组人脸关键点对应的人脸图像。

其中，图像生成模型可以表征一组人脸关键点与一帧人脸图像之间的对应关系。目标人对应的图像生成模型可以利用预先采集的目标人的数据训练得到。

作为示例，可以先获取训练数据，然后利用训练数据训练得到目标人对应的图像生成模型。具体地，可以预先录制的目标人在说话和/或唱歌时的大量视频，然后从视频中提取各帧图像，并确定各帧图像分别对应的人脸关键点组。之后，可以将提取到的各帧图像和分别对应的关键点组作为训练数据。

然后，可以获取各种类型的未经训练或训练完成的人工神经网络作为初始图像生成模型，将训练数据中的关键点组作为初始图像生成模型的输入，并将与输入的关键点组对应的图像作为初始图像生成模型的期望输出，利用如梯度下降和反向传播等算法根据损失函数的值不断调整初始图像生成模型的参数，直至达到预设的训练停止条件(如损失函数的值满足一定条件等)，此时可以将训练得到的初始图像生成模型作为上述目标人对应的图像生成模型。

继续参见图3，图3是根据本实施例的用于生成视频的方法的一个示意性的应用场景300。在图3的应用场景中，用户可以在其使用的终端301中指定解说音频和目标人。例如，用户可以挑选其喜欢的一个解说音视频，然后从中提取解说音频，并指定其喜欢的声音所属的目标人。

然后，可以将解说音频的声学特征302输入至目标人的特征确定模型303，得到目标人针对解说音频的声学特征304和目标人针对解说音频的若干人脸关键点组305。

接着，可以利用声码器306合成目标人的声学特征304对应的音频，得到目标人的音频308，即得到目标人的解说音频。同时，利用图像生成模型307生成每组人脸关键点组对应的目标人的图像309，并根据得到的多个目标人的图像制作目标人的视频310。

之后，可以合并得到的目标人的音频308和视频310得到目标人的解说音视频311，并将音视频311发送至终端301。用户在接收到目标人的解说音视频之后，可以将其挑选的解说视频与目标人的解说音视频再合并，可以得到目标人解说其喜欢的视频的音视频。

本公开的上述实施例提供的方法对于任意给定的音频，根据该音频的声学特征，生成目标人在读该音频的内容时所产生的音频的声学特征和目标人在在读该音频的内容时脸部的关键点，从而利用得到的声学特征和关键点可以分别生成目标人的音频的视频，进而合并得到目标人的音视频，实现从给定音频到目标人针对该音频的音视频之间的多模态转换。

进一步参考图4，其示出了用于生成视频的方法的又一个实施例的流程400。该用于生成视频的方法的流程400，包括以下步骤：

步骤401，获取从音频提取的声学特征。

步骤402，利用预先训练的、目标人对应的特征确定模型包括的第一模型根据从音频提取的声学特征，确定该音频对应的文本特征。

在本实施例中，第一模型可以用于根据声学特征确定对应的文本特征，即实现从任意音频的声学特征到该音频对应的文本内容的文本特征之间的转换。

其中，文本特征具体指示的特征可以由技术人员根据实际的应用需求和应用场景设定。例如，文本的文本特征可以包括韵律特征、音素特征、声调特征、音高特征等等。

可选地，第一模型可以为基于语音后验概率(PPG，Phonetic PosteriorGram)构建的模型。此时，可以基于采用现有的基于语音后验概率实现语音转换的网络模型结构构建第一模型。

步骤403，利用目标人对应的特征确定模型包括的第二模型根据第一模型输出的文本特征，确定目标人针对该音频的声学特征和至少一组人脸关键点。

在本实施例中，第二模型可以用于根据任意音频对应的文本内容的文本特征确定目标人针对该音频的声学特征和人脸关键点，即实现从任意音频对应的文本特征到目标人的声学特征和人脸关键点之间的转换。

上述特征确定模型包括的第一模型和第二模型可以利用预先采集的目标人的数据联合训练得到。例如，预先录制目标人说话或唱歌的大量的音视频(即包括音频和视频)，然后从录制的视频中提取呈现的目标人的脸部的关键点，并从录制的音频中提取目标人的声学特征，并将提取的关键点和对应的声学特征作为训练数据。

然后，可以将目标人的声学特征作为第一模型的输入，并将第一模型的输出结果输入第二模型，并利用目标人的声学特征和对应的人脸关键点监督第二模型的输出，不断调整第一模型和第二模型的网络参数，直至达到预设的训练停止条件。

或者，在训练过程中，也可以先利用目标人的声学特征作为第一模型的输入，然后获取输入的声学特征对应的文本特征作为第一模型的期望输出，先完成第一模型的训练，然后固定第一模型的网络参数，再完成第二模型的训练。

步骤404，利用目标人的声学特征合成目标人的音频。

步骤405，对于至少一组人脸关键点中的每组人脸关键点，利用预先训练的、目标人对应的图像生成模型根据该组人脸关键点，生成该组人脸关键点对应的人脸图像。

步骤406，利用各组人脸关键点分别对应的人脸图像，生成目标人的视频。

步骤407，为生成的目标人的视频添加目标人的音频。

上述步骤401-407中未详细说明的内容的具体执行过程可参考图2对应实施例中的相关说明，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成视频的方法的流程400突出了设置目标人的特征确定模型由实现声学特征到文本特征之间的转换的第一模型和实现文本特征到目标人的声学特征和人脸关键点之间的转换的第二模型构成，从而可以根据文本特征更准确地将任意人的音频转换成目标人的音频，从而提升目标人特征确定模型的输出结果的准确度，进而提升生成的目标人的音视频的质量。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于生成视频的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于生成视频的装置500包括获取单元501、确定单元502和生成单元503。其中，获取单元501被配置成获取从音频提取的声学特征；确定单元502被配置成根据声学特征，确定目标人的特征，其中，目标人的特征包括目标人针对音频的声学特征和人脸关键点；生成单元503被配置成根据人脸关键点，生成目标人的视频。

在本实施例中，用于生成视频的装置500中：获取单元501、确定单元502和生成单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

本公开的上述实施例提供的装置，通过获取单元获取从音频提取的声学特征；确定单元根据声学特征，确定目标人的特征，其中，目标人的特征包括目标人针对音频的声学特征和人脸关键点；生成单元根据人脸关键点，生成目标人的视频，从而实现从给定音频到目标人针对该音频的音视频之间的多模态转换。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

根据本公开的一个或多个实施例，本公开提供了一种用于生成视频的方法，该方法包括：获取从音频提取的声学特征；根据声学特征，确定目标人的特征，其中，目标人的特征包括目标人针对音频的声学特征和人脸关键点；根据人脸关键点，生成目标人的视频。

根据本公开的一个或多个实施例，该方法还包括：利用目标人针对音频的声学特征合成音频；为视频添加合成的音频。

根据本公开的一个或多个实施例，根据声学特征，确定目标人的特征，包括：利用预先训练的、目标人对应的特征确定模型根据从音频提取的声学特征，确定目标人的特征。

根据本公开的一个或多个实施例，特征确定模型包括用于根据声学特征确定对应的文本特征的第一模型和用于根据文本特征确定目标人的声学特征和人脸关键点的第二模型。

根据本公开的一个或多个实施例，人脸关键点包括至少一组人脸关键点，且每组人脸关键点用于表征一帧人脸图像。

根据本公开的一个或多个实施例，根据人脸关键点，生成目标人的视频，包括：生成至少一组人脸关键点中的各组人脸关键点分别对应的人脸图像，得到人脸图像集；利用人脸图像集生成目标人的视频。

根据本公开的一个或多个实施例，生成至少一组人脸关键点中的各组人脸关键点分别对应的人脸图像，包括：对于至少一组人脸关键点中的每组人脸关键点，利用预先训练的、目标人对应的图像生成模型根据该组人脸关键点，生成该组人脸关键点对应的人脸图像。

根据本公开的一个或多个实施例，第一模型为基于语音后验概率构建的模型。

根据本公开的一个或多个实施例，音频包括以下至少一项：说话数据、歌唱数据。

根据本公开的一个或多个实施例，本公开提供了一种用于生成视频的装置，该装置包括：获取单元，被配置成获取从音频提取的声学特征；确定单元，被配置成根据声学特征，确定目标人的特征，其中，目标人的特征包括目标人针对音频的声学特征和人脸关键点；生成单元，被配置成根据人脸关键点，生成目标人的视频。

根据本公开的一个或多个实施例，该装置还包括：合成单元，被配置成利用目标人针对音频的声学特征合成音频；添加单元，被配置成为视频添加合成的音频。

根据本公开的一个或多个实施例，上述确定单元进一步被配置成：利用预先训练的、目标人对应的特征确定模型根据从音频提取的声学特征，确定目标人的特征。

根据本公开的一个或多个实施例，特征确定模型包括用于根据声学特征确定对应的文本特征的第一模型和用于根据文本特征确定目标人的声学特征和人脸关键点的第二模型。

根据本公开的一个或多个实施例，人脸关键点包括至少一组人脸关键点，且每组人脸关键点用于表征一帧人脸图像。

根据本公开的一个或多个实施例，上述生成单元进一步被配置成：生成至少一组人脸关键点中的各组人脸关键点分别对应的人脸图像，得到人脸图像集；利用人脸图像集生成目标人的视频。

根据本公开的一个或多个实施例，上述生成单元进一步被配置成：对于至少一组人脸关键点中的每组人脸关键点，利用预先训练的、目标人对应的图像生成模型根据该组人脸关键点，生成该组人脸关键点对应的人脸图像。

根据本公开的一个或多个实施例，第一模型为基于语音后验概率构建的模型。

根据本公开的一个或多个实施例，音频包括以下至少一项：说话数据、歌唱数据。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取从音频提取声学特征的单元”。

作为另一方面，本公开还提供了一种计算机可读介质。该计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取从音频提取的声学特征；根据声学特征，确定目标人的特征，其中，目标人的特征包括目标人针对音频的声学特征和人脸关键点；根据人脸关键点，生成目标人的视频。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于生成视频的方法，包括：

获取从音频提取的声学特征；

利用预先训练的、目标人对应的特征确定模型根据所述从音频提取的声学特征，确定所述目标人的特征，其中，所述目标人的特征包括所述目标人针对所述音频的声学特征和人脸关键点，所述人脸关键点基于所述目标人针对所述音频的声学特征生成；

根据所述人脸关键点，生成所述目标人的视频；

其中，所述方法还包括：

利用所述目标人针对所述音频的声学特征合成音频；

为所述视频添加合成的音频。

2.根据权利要求1所述的方法，其中，所述特征确定模型包括用于根据声学特征确定对应的文本特征的第一模型和用于根据文本特征确定所述目标人的声学特征和人脸关键点的第二模型。

3.根据权利要求1或2所述的方法，其中，所述人脸关键点包括至少一组人脸关键点，且每组人脸关键点用于表征一帧人脸图像。

4.根据权利要求3所述的方法，其中，所述根据所述人脸关键点，生成所述目标人的视频，包括：

生成所述至少一组人脸关键点中的各组人脸关键点分别对应的人脸图像，得到人脸图像集；

利用所述人脸图像集生成所述目标人的视频。

5.根据权利要求4所述的方法，其中，所述生成所述至少一组人脸关键点中的各组人脸关键点分别对应的人脸图像，包括：

对于所述至少一组人脸关键点中的每组人脸关键点，利用预先训练的、所述目标人对应的图像生成模型根据该组人脸关键点，生成该组人脸关键点对应的人脸图像。

6.根据权利要求2所述的方法，其中，所述第一模型为基于语音后验概率构建的模型。

7.根据权利要求1所述的方法，其中，所述音频包括以下至少一项：说话数据、歌唱数据。

8.一种用于生成视频的装置，包括：

获取单元，被配置成获取从音频提取的声学特征；

确定单元，被配置成利用预先训练的、目标人对应的特征确定模型根据所述从音频提取的声学特征，确定所述目标人的特征，其中，所述目标人的特征包括所述目标人针对所述音频的声学特征和人脸关键点，所述人脸关键点基于所述目标人针对所述音频的声学特征生成；

生成单元，被配置成根据所述人脸关键点，生成所述目标人的视频；

其中，所述装置还包括：合成单元，被配置成利用目标人针对音频的声学特征合成音频；

添加单元，被配置成为视频添加合成的音频。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images